日本精品中文字幕,91免费观看高清视频在线观看,美女脱裤子让男生桶

·實現智慧企業的關鍵是認知協同。它與昆蟲王國的群體智慧（Swarm Intelligence）有許多相通之處。日本文化為實踐智慧企業提供制度條件，因為它契合群體智慧。在日本文化之外，我們可以利用人工智能的增強能力設計類似的賦能結構，實踐智慧企業戰略。

·本文的主要貢獻在兩個方面：1）闡述從專業化勞動分工到認知分工與協同的趨勢。2）解釋人工智能的增強能力是實現智慧企業認知協同的關鍵技術途徑。

(資料圖)

《擁有智慧的企業》

野中郁次郎和合作者寫的《擁有智慧的企業》一書的要點有三個：1) 在人能改造環境和創造未來的時代，企業的實踐智慧（Phronesis）著力點在有人文意義、有社會價值的持續創新上。2）為此，企業要讓每位員工成為不但能變化、而且有思想的孫悟空。3）與之對應的管理方法是營造創變的“場”（Ba）和提煉持續創新的新組織習性（Kata）。

野中的“智慧企業”發展了西方管理的三個重要思想：核心競爭力、動態能力和組織習性。簡而言之，核心競爭力容易陷入“刻舟求劍”的怪圈；動態能力過于大而化之，成為一種“雜貨筐”概念；而源自經濟進化理論的組織習性（Organizational routines）遜于解釋人改造環境、創造未來的強烈意愿和能動性，特別是創變者（Entrepreneurs）打破舊習性、建立新習性的沖動價值。因此，野中闡述的“卡塔”（Kata）、創變的“場”（Ba）和實踐智慧（Phronesis）可以成為一套新管理實踐。

可是，野中的智慧企業有一個極其重要的推廣條件：從專業化勞動分工走向基于問題情境的認知協同。亞當·斯密和涂爾干（Emile Durkheim）建議勞動分工，因為它有助于能力專業化和差異化，其假設是，人的學習能力和應用能力各有優勢和劣勢。專業化勞動分工可以揚長避短，綜合個人能力，建立有差異化的組織優勢。經濟上的專業化分工對應演變出管理方面的組織結構。它演變出垂直等級功能結構。為激發創新，企業也試驗各種組織流程再造，包括矩陣、任務突擊隊和“合弄制”（Holacracy）。但是，橫向組織結構的效果、穩定性和維持成本一直困擾著追求持續創新的企業領導者，因為協調（Coordination）與合作（Cooperation）的組織交易成本太高。

“協調”要求成員持續的相互調整。“合作”需要成員判斷什么時候支持同事、什么時候要求同事支持。協調與合作的背后是任務性質和組織角色的切換。切換涉及到判斷、溝通、改變、再續、整合等一系列組織活動。人與人之間的任務和角色切換成本遠高于流水線生產中的工具切換（Retooling）,因為它要求復雜的認知協同。

認知協同關系到一系列集體思考活動：1）成員之間理解變化中的問題性質；2）成員有能力貢獻對新問題的定義和解決方法；3) 成員愿意主動參與問題討論；4）對于不同于執行力的認知協同，成員有接受模糊性、暫時性和悖論問題的智慧習性。

上述認知活動的協調和合作成本極高，因為人的“有限理性”和專家隱性知識設置了很高的學習成本和溝通成本。所以，企業還是主要保持垂直等級的縱向組織結構，兼顧部分橫向組織結構。這樣，“持續的創新”就始終是一個戰略難題。難題的本質是認知協同成本高。

野中的解決方法有二：一是突出強調建設持續創新的智慧企業的必要性；二是建議全員參與創新的新組織習性和創新互動的場。接下來，企業領導者要做的就是推動智慧企業的“卡塔”和“場”。

“智慧企業”的價值不難理解。持續創新的必要性也已經廣為人知。但是，卡塔和創變場的案例主要來自日本企業。其中的一個關鍵因素是它們與日本文化兼容。例如，卡塔反映的是柔道“守、破、離”的文化。如果日本文化是一個必要前提條件，那么，智慧企業就很難普遍適用。

從另一個角度看，對執行組織任務，人工智能已經從能力自動化（Automation）發展到數據智能增強（Augmentation）。增強的認知能力降低有限理性影響，擴大利用隱性知識和直觀感知能力。所有的組織任務都涉及到解析和解決問題。在解題上，認知協同可以被分解為四種決策活動：1）決定（Determination），它包括明確的因果關系和目標與手段之間的對應關系；2）反思（Deliberation），它包括識別偏差和從失敗中學習；3）設計（Design），它包括重新優化排序目標和安排價值感知過程；4）探索（Discovery），它包括發現新問題和提出新秩序參數。野中的智慧企業講的就是這四種決策活動如何通過卡塔和場達到認知協同的境界。我們認為，智慧增強階段的人工智能可以支持同樣的智慧實踐，制造持續創新的管理效果。

本文將首先用“群體智慧”（Swarm intelligence）現象重新表述野中的智慧企業、卡塔和場的思想。然后，我們說明，刻畫人工智能模型復雜度與表達能力的VC維與智慧企業有邏輯上的相似性。VC維度可以用來刻畫人工智能模型的復雜/精細化程度，也可以類似標識一個企業的智慧豐富程度。之后，我們解釋認知協同對應的四種問題情境觀。最后，我們說明，人工智能策略可以兼顧認知協同的四種活動，從而幫助實現高維智慧企業。

來自昆蟲世界的啟發：群體智慧

在圣塔菲研究所（Santa Fe Institute）,研究復雜性現象的科學家波納貝（Eric Bonabeau）等學者發現，昆蟲學家對螞蟻和蜜蜂等群聚性昆蟲的觀察與復雜系統的自組織特征有關。在利用環境資源和維系蟻群和蜂群高度秩序性方面，螞蟻王國和蜂巢都有分布式、靈活、魯棒和自組織的系統特征。同一時期，貝尼（Gerardo Beni）等學者把昆蟲群聚世界的社會性和群體智慧介紹到人工智能領域。他們研究昆蟲世界社會群聚特征，以及對人工智能“演化計算”的影響。

復雜的昆蟲王國有令人嘆為觀止的精美秩序。它們是怎樣協調和合作的？科學家發現，復雜昆蟲世界其實遵守一些簡潔的自組織互動規則。

第一，“間接溝通，主動共識” （Stigmergy）。螞蟻之間沒有接觸交流，但它們通過環境留痕，間接溝通。例如，找到食物的螞蟻會在行進路途上分泌一種激素。順著同樣路徑的螞蟻也會沿途不斷分泌激素。它們在環境中留下的激素信號被同伴接受。同伴主動做出配合響應。昆蟲群體合作完成各項任務，都是通過“主動共識性”規則來協調。

第二，“缺位就替補的多重角色” （Multiagency）。昆蟲王國中，分工明確。保衛巢穴、采集食物、建筑巢穴均有特定的一群昆蟲完成。不過，昆蟲有分工，但無任務差異化限制。當負責孵化的缺位不在時，臨近負責保衛的昆蟲會替補承擔孵化功能。類似的靈活和多角色任務協調在螞蟻和蜜蜂等群聚昆蟲王國中很普遍。

第三，“反應門檻規則” （Threshold-based collaboration）。什么時候主動替補？它依據某種數量密集度門檻。不同昆蟲王國有高低不同的反應門檻。這種門檻規則自動影響昆蟲的自組織行為。例如，當負責孵化的蜜蜂數量降低到一定程度時，負責保衛的蜜蜂就近替補，承擔孵化功能。

第四，“適應環境的多種招募方法”。根據環境中食物分布的情況，發現新食物的螞蟻有不同招募方法，有時是招募單個螞蟻去新食物源，有時是成隊招募。成隊招募，往往是在環境食物源較少的情況下。單個招募，一般是環境食物來源多，有選擇。

第五，“沿順雛形的累積行動”。建筑巢穴時，螞蟻和蜜蜂搬運和放置材料也有規律。它們會順著巢穴中已經出現的雛形，延續積累。剛剛開始階段，材料分類放置的雛形為后續累積設定了形態方向。后來的似乎很快就能順著同樣的形態，不斷累積。

昆蟲世界的群體智慧啟發了人工智能學習方法。推而廣之，人們用它描述“通過集體的自組織行為，分布式解決問題的策略”。群體智慧與野中建議的卡塔和場的方法有內在的相通之處。從昆蟲世界到人工智能和智慧企業，群體智慧已經遠遠超過簡單的生態模仿。它為企業成員之間認知協同提供了一個可以借鑒的知識呈現和表述形式。

對群體智慧做抽象表述，它們有下面的共性特征：1）它們都是關于一個復雜系統社會組織過程；2）都強調自組織能力；3）都只需要極少的、根本性的規則；4）都認可個體獨立性和群體多樣性的價值；5）都認識到分布式、非中央控制的協調形式的優勢；6） “多角色行動者” （Multiagency），成員有分工，但又可以執行相鄰的任務。對于智慧企業的持續創新，上述六條也是卡塔背后的抽象邏輯。

日本文化與群體智慧有極高的契合度。這也是野中的智慧企業思想容易在日本企業推行的重要制度因素。在其它文化背景下，推行智慧企業，認知協同的成本很高。但是，人工智能已經從能力自動化（Automation）發展到智慧增強（Augmentation）。它可以成為智慧企業的賦能技術結構。人工智能中的遷移學習（Transfer learning）和VC維度思想概念完全可以容納智慧企業對多樣性、自組織、少且根本的規則、多角色行動者、主動共識和分布式互動“場”協調的要求。

以下，我們先解釋人工智能的遷移學習和VC維度與群體智慧邏輯的契合關系。然后，我們說明在實踐群體智慧邏輯過程中，智慧企業需要在四種問題情境方面實現認知協同。最后，我們解釋人工智能不同的決策算法是怎樣支持解決四類問題過程中的認知協同的。

實現AI的群體智慧：遷移學習和VC維

野中的智慧企業強調，企業領導者要組織全員參與持續創新。它是一種高級形態的群體智慧。全員參與能提供廣泛的信息來源，能混合借鑒各層級員工的隱性知識到動態的認知協同過程中，是持續創新的源泉。就認知協同的功能而言，人工智能中的深度學習方法，例如遷移學習（Transfer learning）和VC維度思想概念可以支持同樣的活動。

簡而言之，遷移學習就是將一個領域開發得到的知識（或某種不變量），運用到另一個領域，“舉一反三”，提升另一個領域解決問題的效率以及效果熱力學中，我們用能量轉換的概念研究物質的熱性質。我們關注能量形式轉移過程中的熱力學原理。同樣的邏輯，人在一個知識領域對問題的理解、學習和應用有著共同點，有著本質特征。找到本質特征的不變量，模擬它的知識表述方式，然后，我們就可以舉一反三，反千萬。

遷移學習是每個人所具備的基本技能。例如，學過意大利語的，學西班牙語會快很多；學過數學的，學物理會容易一些；學過國際象棋，再轉中國象棋，會比那些新入門的有更高領悟力，這就是遷移學習。它對人來說是很自然的。即，過去學過的東西對于未來相關的場景有幫助。

從波蘭尼（Michael Polanyi）到野中，他們研究的隱性知識也是遷移學習的一種專家知識形式。在自己的領域，專家有較高的判斷力，因為他們能夠將經歷過的實踐場景和知識思考遷移到新現象中。智慧企業中，全員參與的持續創新也是利用來自各部門員工的隱性知識，創造新知識。不過，人工智能可以把圍繞隱性知識的認知協同提升到一個指數級別的高度。

首先，人的知識表述受限于個人經驗、標準化語言形式、溝通雙方理解和表達能力的差異、人的學習習慣。但人工智能的“遷移學習”不必依循人腦思維路徑，也就不必受隱性知識因素的約束。遷移學習最關鍵的一個點就是知識表達（Representation）。比方說造汽車和造飛機，相互之間知識技能可以借鑒，是因為我們能建立兩部分制造技能的公共知識表達，如果建立不起來，沒辦法遷移學習。而人的公共知識表述有許多限制。

其次，過去機器學習都沒有遷移學習，所有的機器學習都像是從剛出生的嬰兒開始學。它把數學學會了，當它進入到物理的時候，過去學過的所有的東西都忘記了，又重新開始。遷移學習要解決的是未來能讓機器活到老學到老，不斷跨領域終身學習。目前，遷移學習在公共知識表達上已經取得突破，以及在遷移的技術方法上也已經有非常豐富的體系以及很多的落地應用。人工智能的知識表達不僅可以做到高帶寬的、高速的、大內存、大存儲，而且能夠以人不能理解的編碼方法讓機器更高效地交互。這就突破了人腦決策的有限理性。我們經常用一個成語叫做面面俱到。它對于人是貶義詞。又如事無巨細，也是貶義詞。但對于計算機就是褒義詞，能夠通盤考慮，精打細算。反之也然，我們說抓大放小，形容一個人有水平。但是放在計算機上就是貶義詞，對應了人的有限理性。

徐光啟說，“欲求超勝，必先融通”。我們需要全員參與持續創新，因為它能夠融通全員智慧，獲得認知協同的系統效果。遷移學習能夠支持更高維度的組織認知協同。

人工智能的另一概念也有助于突破智慧企業的一個實踐障礙：組織成員認知協同過程中，怎樣做到既深入，又寬廣？人工智能的VC維理論是由兩位學者（Vapnik和Chervonenkis）建立的統計學習理論，它反映可學習函數集的模型容量（反映了模型的復雜性、表達能力等）。VC維越大則模型或函數越復雜，可表達可學習的知識就越豐富，機器的學習能力也就隨之越強。通俗解釋，如果人類的智商水平可以用大腦的腦細胞數來衡量，那么機器的智商水平就可以用VC維來衡量，即超高智商的人工智能，需要超高維度的機器學習模型來實現。簡單地講，過去模型很難兼顧深和寬二個維度，數據特征的多元性、多樣性越高，模型擬合度越低，可靠性越低。而隨著大數據時代的到來，越來越多的數據支撐以及人工智能技術的研究突破解決了這個悖論，在大數據的支撐下，需要想方設法提高機器學習的模型維度來提升機器的智能程度。我們比喻VC維是人工智能的IQ，是機器智商。它概括機器智能的復雜度、表現力、豐富性和靈活范圍。在野中的智慧企業思想中，創新互動的場（Ba）兼顧縱向專業分工和橫向認知協同的需求。在人工智能賦能的認知協同過程中，持續提升的VC維兼顧學習的深度和廣度。

做為一個持續創新的智慧企業，它的群體智慧來自全員參與而到達的認知協同。為同樣的目標，人工智能的遷移學習技術和VC維邏輯思想可以指數級提升認知協同。

無論是人的認知協同，還是人機融合的認知協同，它們的目標都是為更優的決策提供幫助——理解現象，發現問題，解決問題。下面，我們說明，持續創新的決策關系到四種問題情境。而人工智能可以增強所有問題情境中人的決策能力。

認知協同的問題情境和決策類型

愛因斯坦說，假如給我1小時拯救地球，我要用59分鐘想清楚，這是一個什么問題。他的夸張表述提醒我們，搞清楚決策問題性質是第一原則。

管理中的決策事關三方面：目標、手段和實現過程。決策活動包括理解問題和對應的選擇目標、手段和實現過程。決策活動的差別受到三者確定性和不確定性的影響。借用奈特（Frank Knight）對不確定性的定義，我們看到管理中四種問題情境：

第一種是可以“執行”的問題。它屬于“已知并己知”（Known knowns）的決策。20世紀90年代，企業開始強調執行力、流程再造和精益化生產。它們都有共同的前提假設，即我們可以獲得想要獲得的信息。通過收集最佳表現信息，我們能夠建立起可靠的因果關系知識。然后，按照總結的規律，推廣和重復最佳表現活動，并產生優化的結果。從20世紀50年代開始的商業策略管理基本上追循同樣的邏輯。即使后來“有限理性”概念修改了優化原則，并替代以滿意原則，商業策略理論和實踐還是相信目標和手段是可知的，它們之間有內在的對應關系。

第二種是可以“設計”的問題。它屬于“無知的已知”（Unknown knowns）的決策。進入21世紀，人們越來越認識到社會復雜系統中的人的意愿和體驗因素的重要性。在多元文化和價值觀社會環境中，管理往往面臨“刁怪問題” （Wicked problems）,因為文化、社會心理和人的意愿因素。在社會意愿系統中，人們的策略目標和實現目標的手段都是可以改變的。因為可以改變，管理問題的定義也可以被替換。例如，在有些國家和地區，戴口罩和社交活動禁令被認為是對人身自由限制。一個公共衛生問題被替換成為政治信仰問題。又如，線上網絡課程被認為是體驗感差的教育技術。但是，當線上和線下融合設計出現后，線上選擇被重新認識，被視為新的賦能技術。

第三種是需要“反思”的問題。它屬于“已知的無知”（Known unknowns）的決策。需要反思的問題有兩類。一類是需要科學反思的問題。引發它的是執行錯誤、偏差和失敗。科學反思重點在于用科學方法做實驗，測試假設。根據實驗結果，我們修改現有的規律和規則。另一類是需要價值反思。引發它的是不同利益相關者和群體之間的沖突。對于價值觀沖突引發的管理失敗，我們要從倫理道德和人文價值觀的角度去反思現有管理實踐是否合適。例如，人工智能與人類勞動者之間的關系、人工智能對就業機會的影響等。

第四種是需要“探索”的問題。它屬于“無知的無知”（Unknown unknowns）的決策。需要探索的問題往往只存在于我們想象力的邊緣地帶。它首先屬于人類好奇和文學式猜想范圍。例如，電腦的硅體智慧和人腦的有機體智慧結合后，會產生怎樣的混元智慧？又如，假如因為地緣政治沖突和流行疾病的反復，全球演變為一個個孤島，人類社會將怎樣進化或退化？它們均屬于無知的無知范疇。在這個范疇，我們既不知道什么是合適的問題，更不知道什么是解決問題的手段。但是，我們可以想象各種各樣的問題。在制造問題的文學想象過程中，我們啟動一系列可以實驗的假設和先驗的思考維度。它們的使命是開啟值得思考的問題。例如，19世紀，兩位統計學家（Heinrich Wilhelm Brandes and Sir Francis Galton）首先試圖用格式化的氣象圖描述各地氣候，然后形成連續的氣象預報。他們的預報是極其不準確的，但首創的方法開啟了氣象預報系統。

下圖總結認知協同的四種問題情境。無論是全員認知協同還是人機認知協同，它們背后都涉及到對這四種類型問題的決策（見圖1）。

無論是全員認知協同還是人機認知協同，它們背后都涉及到對這四種類型問題的決策。

發展至今，人工智能已經有針對上面四種問題情境的決策模型。以第四范式的“自動機器學習”（AutoML）系統為例，它的基本決策模型是一個OODA思維框架，OODA是西方軍事學家博伊德（John Boyd）提出的作戰理論，現已被廣泛應用到企業管理經營領域，其核心思路是觀察（Observe）-判斷（Orient）-決策（Decide）-行動（Action）四個環節的迭代循環。

從觀察開始（Observe），這個環節的核心是感知業務現狀，這是企業經營者做經營決策優化的第一步。在這個環節里，AI在人的指導下去感知問題情境，收集圖像、文本和語音等多模式數據。過去，人的觀察受有限理性能力限制，只能“抓大放小”，不能“面面俱到”。現在，AI能夠支持海量數據收集，近乎實時的多模態數據處理（圖像、文本、聲音等），以及極強的規模化可復制的能力。AutoML 已經有對結構化、非結構化以及半結構化數據處理能力，比如針對圖像的自動計算機視覺能力，針對文本的自動自然語言處理能力，以及對于知識圖譜的自動知識圖譜學習能力等等。過去，對許多原始數據（即對尚未建立強相關性的現象觀察），人們依賴專家的隱性知識去識別與決策有關的洞察（Insight）。現在，AI有多種方法去自動化處理殘缺的數據，單項的數據（只有正項或負項）、小樣本數據等等，AI可以在很大程度上幫助人類更加快速地從海量數據收集并提取與決策有關的信息，更高效、更有效地感知業務現狀。

然后，是判斷（Orient），這個環節的核心是對業務進行深入地洞察以及對未來進行精準地預判，之所以需要預判，是因為企業經營者所有的決策都是影響未來，都需對未來負責。這個環節一般要解決兩類問題，一類是對現狀的判斷或者更加深入地洞察，另一類是對未來更加精準地預判。（1）對于現狀的判斷或洞察，AI能夠增強人的，更多的是提供更加準確以及全面的判斷。例如，一線員工處理已經程序化的事物。他們只需要按照組織流程和習性去執行。研發人員處理需要反思的問題。他們用實驗方法測試假設，總結規則，形成新的流程和習性。中級管理人員綜合市場、運營和研發力量，處理設計相關的問題，思考新價值和新產品。而高管則要對未知市場現象作出判斷，判斷是否要調度資源，思考進入未知領域。這個過程中，我們看到三個需認知協同的挑戰：

1）判斷和選擇有時間滯后性。無法即可響應。

2）判斷分工伴生認知隔閡。低、中、高管理層各自關注任務的一個方面，很難全局全景地理解問題。

3）問題現象是全面的、敏感的、復雜的。但各層管理者只能在人的認知能力范圍內裁剪現象。他們一般用“平均值”思維去框限渾然一體的現象。

對于AI，上面的認知協同挑戰都有方法解決。首先，因為有大功率處理器和可以大規模復制業務場景的應用軟件，AI可以做到毫秒級的即刻響應。其次，人的認知維度有限，成千上百已經是天才。但是，AI可以有萬億級的規則維度去捕捉現象維度。再次，根據人的指令，AI可以平均值，也可以極值處理數據。兩者沒有數據質量妥協關系。AI“裁剪”觀察現象的細粒度和保真度極高，甚至可以對模糊現象作增強處理。最后，AI對四類問題現象的判斷不必要非此即彼。它可以做到“面面俱到”。換言之，一個現象可以同時在四個問題類別內處理，并比較優化結果。例如，對新冠防疫問題，它可以是執行層面需要決定的問題，比如，（1）對現狀的洞察與判斷：判斷出目前人群中潛在的病毒攜帶者，（2）對未來的預測：預測疫情未來的走勢以及各種管控手段對結果的影響。出現情況，首先從檢驗開始，快速識別潛在病毒攜帶者，做好有效隔離預防措施，補充醫療資源。這是已經建模的決策，可以自動反應。它也同時可以為其它三個象限的問題。比如，不同社區條件下，是否可以對問題有不同定義和理解。再如，對于新出現的病例，有沒有完全探索性的解釋方向？

在對業務的現狀以及未來有了精準判斷之后，AI輔助人的四類決策（Decide），即決定、設計、反思和探索。如圖1所討論的，這四種決策可以同步開展，并通過強化學習和遷移學習相互反哺。最后一個階段是行動（Act）。對不同象限內的問題和決策，AI可以支持管理者的不同行動風格。在決定和反思范疇，已經建模的AI應用軟件能自動化一系列程序，把人從有限理性束縛中解放出來。AI也能夠得益于人的直觀能力，針對偶然現象，尚未標識的偏差、新現象，構建數據閉環，收集新數據，模型自學習，強化模型可靠性。在設計和探索范疇，AI能跨領域建議思考的樣板、雛形和態勢，增強人的創造性思維活動。圖2概括了AI和人類認知能力之間相契合的問題與決策版圖。

在設計和探索范疇，AI能跨領域建議思考的樣板、雛形和態勢，增強人的創造性思維活動。

AI增強的高維認知協同實例

解決問題決策（Determination）

新冠流行初期，第四范式受委托，收集數據，建立反應模型。雖然開始的時候只有少量小樣本數據，AI的學習工具可以自學習，自適應，并隨著數據量和對疫情的理解不斷優化預測能力。模型顯示，當疫情在一個地方發生后，雖然有諸多立即需要采取的措施，但是其實施大規模檢測，了解疫情分布是首要的行動。后來，大規模檢測的方法成為標準動作。在時間緊迫性極高的新冠疫情防范過程中，它極大提升防疫效率。

一家國際連鎖超市的倉庫管理中有物流配件的合理配置問題。受地方大小限制，太多太少都制造物流瓶頸。而物流配件需求與成千上萬種貨物搬運、商店配貨要求、貨物季節變化等諸多因素相關。過去，企業只能憑借經驗，建立較大的容錯幅度，配備更多的人力來協調。現在，AI可以用環境學習工具模擬建立一個與倉庫物流有高保真度的數字孿生虛擬環境。季節性的變量與參數可以在模擬環境下高保真顯示。AI應用也可以預警需求變化，成為管理人員的決策助手。有AI支持，管理人員可以關注其它倉庫物流需要優化和改進的地方。在同一套AI溝通語言環境中，各個環節的管理人員更加容易快速表達問題，快速討論決策選擇，快速實施決定的方案。這種認知協同效果是前所未有的。

設計問題決策（Design）

一家民營私人銀行眾多客戶需求和業務背景千差萬別。因此，他們對金融服務的價值偏好有極高的多元多樣性。過去，標準服務之外，銀行市場營銷部門很難有多種多樣的服務設計。憑借歷史經驗，銀行最多有100條規則來安排組合服務產品，而且正確性也強差人意。現在，AI應用軟件可以支持千萬條不同的規則。通過標注超過2千萬數據集，銀行可以精確地建議不同組合的服務產品。重要的是，市場營銷人員的時間和精力被解放出來。他們可以集中在與客戶社交互動和直觀感知維度，提升客戶的體驗價值。

另外一個設計問題的例證是關于糖尿病的防治和長期治理。糖尿病既是一種身體疾病，也是一種與生活方式有關的慢性病。醫治慢性病，除了醫生和病人的努力，它還需要每個家庭和社區的幫助。過去，糖尿病治療方案就那么幾種，不可能做到千人千方，因為觀察、監控、診斷、建議、提醒、反饋等一系列流程涉及的信息量和分析維度超過醫生的能力范圍。現在，AI應用軟件可以建立與每個病人之間的合作治理關系，為每個人提供定制的健康規劃。

反思問題決策（Deliberation）

在服務金融企業和醫療機構的過程中，AI應用軟件可以因人而異，千人千面。但是，實踐過程中，派生的問題和伴生的問題也不斷出現。它們往往不是技術因素，而是社會文化和政治政策因素引發的。有些因素不可能在新事物出現之前就預先存在。它們往往是被AI強大技術效果激發出來的。例如，客人和病人的隱私保護問題。它需要機器和管理者共同反思，共同調整AI系統處理信息的方法。對于隱私保護，AI應用現在已經有基于特征切分的隱私加密技術。它能防止追溯個人信息，但同時允許企業對加密后的信息進行分析和利用。它是人與機器合作，共同反思管理過程中偏差和新現象的一個好例子。

有些場景下，我們刻意允許偏差，容忍失敗，保持較高的容錯率，因為我們需要有反思的機會。例如，全部標注數據，它當然會提高模型的準確度，但是標注數據有時成本是百萬或千萬級。而且，前期完美的模型不一定能容納后來的新變化。石油油井勘探過程就是類似的場景。由于地質條件差異很大，AI模型最好能夠先從少量標注數據開始，通過自動半監督學習、主動學習等技術，逐步標注新增加的油井信息。它既是經濟的方法，也是進化學習的需要。在這個過程中，人與機器之間的認知協同非常緊密，因為機器需要專家對新情況做預先判斷，專家可以依靠機器的早期模型調整參數，優化模型。它是一個人機認知共同演化的過程。

探索問題決策（Discovery）

漸凍癥疾病識別和防治可以算是一個探索問題決策。漸凍癥病例低于萬分之三，而且病人特征差異很大。它的許多癥狀和起因可以算是“不知的無知”，即沒有什么可以借鑒的先例，也沒有可靠的研究參數。這種病早期容易誤判，樣本少，而且是正樣本（來的時候，求診的已經有病了。）對于這樣的高不確定性的問題，AI應用軟件可以對未標記數據做噪音負樣本處理，用自動半監督學習逐步標注數據。這樣就有了開始的參數。有貝爾斯概率論知識的讀者了解，只要有起始參數，我們就可以逐漸從“不知的無知”進入“已知的無知”。而對后者，我們有科學實驗的方法去證實和證偽。在探索領域，AI的相關應用軟件可以讓科學家認知速度和質量到達指數增長的階段。

另一個通用的探索問題決策是如何降低探索的風險和成本？通過環境學習（Environment Learning）技術，AI可以為任何場景模擬一個數字孿生的環境，環境學習技術能夠解決以往數字孿生環境難以構建的核心難題，通過數據驅動的方式，讓機器主動從高維的環境中學習到高維的環境知識與環境規律，并利用這樣的環境知識與規律構建高精度的數字孿生環境。在精準的數字孿生環境中，實驗沒有實體效果的風險，能夠大規模模擬各種場景，并對決策結果做更加準確的預判。例如，電動車企業用數字孿生環境測試人車相撞的各種后果。沒有數字孿生環境，這樣的實驗風險高，有違倫理，成本大。類似的探索可以廣泛運用到企業持續創新過程中。夸張地講，在數字孿生環境中，人們可以像兒童玩耍一樣，任意想象場景、參數、模型和互動效果。“專氣自柔，能如嬰兒乎？” 老子認為，創新最高境界是像嬰兒那樣無拘無束，自由自在地想象。有AI支持的數字孿生環境，游戲般的快樂認知協同已經是現實。

并且再加以利用AlphaGo中的核心技術強化學習（Reinforcement Learning）技術，能夠讓機器自動從環境的各種變化中學習應對策略，得益于深度學習的發展，機器不再受制于人類已有的有限的實踐經驗的約束（比如圍棋中有限的“人類棋譜”，數量級是數千萬），機器能夠從海量的“自博弈”模擬場景（比如圍棋中的自博弈棋局，數量級至少是百億千億，甚至更多，可以無窮無盡）中總結最佳應對策略的規律，并在實際世界中實時快速響應環境變化，幫助企業經營者實時高效地作更加精準的決策，提升整體運營效率。

關于AI支持下，人機認知協同實例，我們圖3做個概括。

機器能夠從海量的“自博弈”模擬場景（比如圍棋中的自博弈棋局，數量級至少是百億千億，甚至更多，可以無窮無盡）中總結最佳應對策略的規律。

執行認知協同戰略

必須要指出，我們對認知協同的重要性才剛剛開始理解。野中的《擁有智慧的企業》一書觸發我們對認知協同的關注。雖然我們分析了AI在四個決策領域起到的認知協同作用，大多數企業還是把重點放在AI的自動化功能、AI替代部分專家的認知能力、AI采集人的智慧并保留在機器認知能力中。如果這樣，AI和管理人之間的矛盾和沖突只會加劇。

我們認為，一個由AI賦能的智慧企業應該是一個高VC維的、認知協同的場（Ba）（見圖4）。它不僅與野中的智慧企業和持續創新思想一致，而且有跨文化的實踐價值。

大多數企業還是把重點放在AI的自動化功能、AI替代部分專家的認知能力、AI采集人的智慧并保留在機器認知能力中。如果這樣，AI和管理人之間的矛盾和沖突只會加劇。

實踐智慧企業認知協同的場，企業領導者要建立新的組織習性，即卡塔（Kata）。這個卡塔包括下面九條：

1、高度推崇人類認知優勢。它包括感性和直觀能力、對偏差的敏感、美學意識、解釋偶然性的能力、有價值觀、有生命的欲望和沖動。

2、確定AI認知優勢的方向在服務人，在支持組織全員認知協同，在人機認知協同方面。AI的認知能力不是用于替代人，而是增強人的認知協同效果。

3、推廣人機協同的融通實踐。企業要制定融通實踐的政策。對每一個被自動化的任務，企業同時啟動人機協同的新任務。

4、為四種問題決策領域作情境設計。于是，員工了解自己可以參與哪種情境，貢獻怎樣的智慧。

5、為人機認知協同規劃故事執行流程。感性的人更能理解有故事情節的執行過程。鑒于AI強大的理性分析能力，企業需要投放更高比例的資源在感性故事規劃上。它為管理人參與人機協同創造平等條件。

6、設立多維價值觀和績效衡量標準。對人的貢獻，企業不可以用對機器的效率標準去衡量。一個持續創新的場要求參差不齊的豐富元素。企業要為人的智慧貢獻羅列更多的激勵指標。

7、全球企業都要準備向智慧企業遷移。新冠疫情為人類紀元制造了一個重要的分水嶺。之前的策略和價值觀都處于一個轉變期。未來，智慧企業和非智慧企業將有云泥之別。具體差別在哪？一切都在演繹過程中。

8、東西方文化互鑒是智慧企業另一個生生之源。如果未來AI有一場文藝復興運動，它一定來自東西方文化互相借鑒的界面。

9、建立“美美與共”的“雙百社會”。甲骨文的“企”是一個有未來欲望的人，通過行動，站立起來。企業的終極目的是什么？是通過創新創造活動，人的意識集體蘇醒，昂揚站立起來！人工智能把人從重復性勞動中解放出來。下一步，企業要追求的是一個百花齊放、百家爭鳴、各美其美、美美與共的人類命運共同體。